Bir fikirden
diğerine.
Temelleri kur, bağlantıları gör, derine in.
Her yazı herkese açık. Rotanı kendin seç.
Yapay zekâdan Transformer’a
Önerilen sıra · 4 yazı · yaklaşık 37 dk
Ön bilgi gerektirmeden başlaMerakına bir kapı aç.
Temeller
Büyük resim, tarih ve gereken matematik
Yapay zekâ, aslında ne öğrenir?
Veri, model ve öğrenme arasındaki ilişkiyi kur. Yolculuğa büyük resmi görerek başla.
Yapay zekâ nereden geldi?
Turing’in sorusundan ChatGPT’ye: hangi fikir ne zaman doğdu, hangi dönem neden duraksadı? Sohbette güvenle kullanabileceğin sağlam bir tarih çerçevesi.
Bu atlas için gereken matematik
Vektör, nokta çarpımı, matris ve olasılık dağılımı: ileride karşına çıkacak dört araç, küçük ve somut örneklerle. Biliyorsan atla, bilmiyorsan buradan başla.
Bir model nasıl öğrenir?
Sayılar, hata, genelleme, sinir ağları ve geri yayılım
Bir kelime nasıl sayıya dönüşür?
Token, kimlik ve embedding: dil modellerinin giriş kapısını iki küçük deneyle aç.
Bir model, hatasından nasıl öğrenir?
Kayıp fonksiyonu, gradyan inişi ve öğrenme oranı: parametreler neden ve nasıl güncellenir? Aynı doğruyu farklı hızlarda eğit, farkı izle.
Model ezberliyor mu, öğreniyor mu?
Eğitim hatası düşük olduğunda model neden hâlâ başarısız olabilir? Genelleme, aşırı öğrenme, veri bölme ve sızıntıyı tek bir deneyle öğren.
Sinir ağı aslında nedir?
Bir nöron, bir ağırlıklı toplam ve bir bükülme: aktivasyon, gizli katman ve geri yayılımı iki küçük deneyle öğren.
Geri yayılım: hata ağın içinde nasıl dağıtılır?
Bir ağ çıktıda yanlış yaptığında hangi parametre ne kadar sorumlu? Zincir kuralını küçük bir ağda adım adım izle, sonucu sayısal bir kontrolle doğrula, sonra aynı mekanizmayla XOR’u öğren.
Dil modelinin içi
Dizi modellerinden Transformer’a, konum, tokenlar ve tahmin
Dizi modelleri: tekrarlı ağlardan Transformer’a
Bir ağ, sırayı nasıl hatırlar? RNN’in hafızası neden birkaç adımda silinir, kapılar bunu nasıl değiştirir ve Transformer neden bambaşka bir yol seçti? Etkiyi adım adım ölç.
Transformer Mimarisi Nasıl Çalışır?
Bir cümlenin tokenlardan tahmine uzanan yolculuğu. Modern dil modellerinin içini, adım adım ve etkileşerek keşfet.
Model sırayı nasıl bilir, neden çok başı var?
Attention tek başına sırayı görmez. Konum kodlamaları, göreli konum ve RoPE’nin sezgisi; ardından çoklu attention başlarının ne işe yaradığı.
Yüz katmanlı ağ nasıl eğitilir? Artık bağlantı ve normalizasyon
Derinlik bir çarpımdır: sinyal katman katman çarpılınca ya söner ya patlar. Artık bağlantı ve LayerNorm bunu nasıl dizginler? Rastgele ağlarda gradyanın boyunu ölç.
Tokenların sınırını kim çizer?
BPE’nin sık görülen parçaları nasıl birleştirdiğini keşfet. Kendi metnini yaz, öğrenilen kuralları adım adım çalıştır.
Bir dağılımdan kelime seçmenin yolları
Greedy, örnekleme, sıcaklık, top-k ve top-p: aynı olasılık dağılımından farklı kurallarla seçim yapmanın etkisi ve sınırları.
Hız ve verimlilik
Önbellek, küçültme ve uzman karışımı
Dil modeli neden yavaşlar?
Token token üretim, KV önbelleği ve belleğin büyümesi: uzun bir bağlamda neden her şey daha pahalı olur, hangi tasarımlar bunu hafifletir?
Büyük modeller nasıl küçültülür?
Niceleme, damıtma ve LoRA: bir modeli daha az bellekle çalıştırmanın ve daha ucuza uyarlamanın üç farklı yolu, ve her birinin ödediği bedel.
Uzman karışımı: her token için farklı yol
Mixture of Experts, her token için ağın yalnızca küçük bir bölümünü çalıştırır. Yönlendirme, “etkin parametre” ve “uzman” kelimesinin yanıltıcı yönü.
Asistandan ajana
Hizalama, bilgi ekleme, istem, test anı hesabı, hafıza, görüntü ve araçlar
Ham dil modeli, asistana nasıl dönüşür?
Ön eğitim, gözetimli ince ayar ve insan geri bildirimi: sohbet asistanlarının üç aşamalı yolu, alternatif yöntemler ve bu aşamaların sınırları.
İnce ayar mı, RAG mı?
Modele yeni bilgi mi öğretmek istiyorsun, yoksa davranışını mı değiştirmek? İki yaklaşımın neyi çözdüğünü, kanıtların ne söylediğini ve nasıl karar verileceğini gör.
Modele nasıl soru sorulur?
İstem, bağlam penceresi, örnekle öğretme ve düşünce zinciri: iyi bir prompt neden işe yarar, nerede yetmez? Sihirli kelimeler değil, mekanik.
Daha çok hesap, daha iyi cevap mı? Oylama ve test anı hesabı
Bir modele aynı soruyu birçok kez sormak, çoğunluğa bakmak ya da cevabı doğrulatmak ne zaman işe yarar, ne zaman yanlışı büyütür? Çoğunluk oyunu tam olarak hesapla.
Modelin hafızası nerede?
Parametreler, bağlam penceresi ve uygulamanın tuttuğu geçmiş: “bana bunu geçen hafta söylemiştin” cümlesinin arkasında üç ayrı mekanizma var.
Yapay zekâ resmi nasıl görür, nasıl çizer?
Görüntüyü parçalara bölen Vision Transformer, metinle görüntüyü aynı uzaya koyan CLIP ve gürültüden resim üreten difüzyon: çok kipli modellerin üç temel fikri.
Gürültüden görüntü nasıl çıkar?
Difüzyon modelleri görüntüye gürültü eklemeyi öğrenmez; gürültüyü geri almayı öğrenir. Bir deneyle ileri süreci, geri kazanımı ve neden adım adım ilerlendiğini gör.
Yapay zekâ ajanı nedir?
Araç kullanımı, düşün–harekete geç döngüsü ve MCP: bir dil modeli ne zaman “ajan” olur, hangi riskler ortaya çıkar?
Veri ve eleştirel bakış
Önyargı, yanlış anlamalar, değerlendirme ve sınırlar
Veri, modelin bakışını nasıl şekillendirir?
Modeller, eğitim verisinin bir yansımasıdır. Temsil eksikliği, önyargı ve kişisel bilgilerin sızması: ölçülmüş örnekler ve verinin nasıl belgelenmesi gerektiği.
Sekiz yaygın yanlış anlama
“İnternetten arıyor”, “konuşmadan öğreniyor”, “parametre çoksa iyidir”: yapay zekâ konuşmalarında sık duyulan sekiz cümleyi, daha doğru karşılıklarıyla ve kaynaklarıyla düzelt.
Bir modelin iyi olduğunu nasıl anlarız?
Kıyaslama puanları, insan oylaması, “yapay zekâ hakem” ve veri sızıntısı: bir skoru okurken neye bakmalı, hangi tuzaklara düşmemeli?
Doğruluk yetmez: kesinlik, yakalama ve nadir olaylar
“%99 doğruluk” iyi bir sonuç mu? Karışıklık matrisi, kesinlik, yakalama, F1 ve eşik ayarı; nadir bir olayda iyi bir testin bile neden çoğunlukla yanlış alarm verdiğini kendi sayılarınla gör.
Bir model ne zaman yanılır?
Halüsinasyon neden olur, yüksek olasılık neden doğruluk anlamına gelmez, değerlendirmenin sınırları nedir? Yolculuğun sonunda modelin yapamadıklarına bak.
Ses, öneri ve deneme–yanılma
Ses sinyalleri, öneri sistemleri ve ödülle öğrenme
Yapay zekâ sesi nasıl duyar?
Basınç dalgasından spektrograma, oradan kelimelere: bir ses kaydı, konuşma tanıma modeline hangi sayılarla ulaşır? İki deneyle Fourier dönüşümünü ve spektrogramı kur.
Yapay ses nasıl üretilir?
Bir metnin telaffuza, vurguya, ritme ve en sonunda ses dalgasına dönüşmesi. Ses sentezi ile ses klonlamanın farkı ve neden önemli olduğu.
Öneri algoritmaları seni nasıl tanır?
Film, müzik ve video önerilerinin arkasındaki mantık: kullanıcı–ürün ilişkileri, benzerlik, gizli faktörler ve hiç verisi olmayan yeni bir kullanıcıya ne önerileceği sorunu.
Bir robot, deneme yanılmayla nasıl öğrenir?
Pekiştirmeli öğrenmede ortam, eylem, ödül ve politika. Küçük bir ızgarada keşfetmek ile bildiğin yolu kullanmak arasındaki seçimi, 30 farklı rastgelelikle ölç.
Veri, nedensellik ve unutma
Korelasyon, veri hazırlama, sentetik veri, unutma ve unutturma
Birlikte değişmek, neden olmak mıdır?
Korelasyon ile nedensellik arasındaki fark, ortak neden (karıştırıcı), Berkeley kabul verisindeki Simpson paradoksu ve makine öğrenmesi modellerinin neden bazen yanlış ipuçlarını öğrendiği.
Eğitim verisi nasıl hazırlanır?
Web’den toplanan ham metin doğrudan modele verilmez: filtrelenir, temizlenir ve tekrarlardan arındırılır. C4’ün kuralları, yinelenen belgelerin neden sorun olduğu ve küçük bir tekrar ayıklama deneyi.
Yapay zekâ kendi verisiyle eğitilirse ne olur?
Sentetik veri: neden kullanılır, nerede işe yarar ve model çöküşü neden tehlikeli. Her nesilde bir önceki nesilden öğrenen en sade modeli kendin çalıştır.
Yeni şey öğrenirken eskisini unutmak
Felaketli unutma: bir sinir ağı yeni bir görevi öğrenirken eskisini neden bozar? İki ağırlıklı en küçük modelde nedenini gör; tekrar oynatma ve ağırlık koruma gibi çözümlerin mantığını öğren.
Bir model nasıl unutturulur?
Eğitilmiş bir modelden belirli verilerin etkisini silmek neden zor? Yeniden eğitim, SISA ile parçalı eğitim ve yaklaşık yöntemlerin mantığı; silmenin ne zaman kanıtlanabildiği.
Sağlamlık, yeni veri türleri ve yorumlama
Çekişmeli örnekler, graflar, video, model içi ve Türkçe
Gözle görünmeyen bir değişiklik, bir modeli nasıl şaşırtır?
Çekişmeli örnekler: bir görüntüde insanın fark etmeyeceği küçük değişikliklerin bir sınıflandırıcının kararını neden çevirebildiği. Doğrusallık açıklamasını en küçük modelde kendin dene.
Bağlantılı veriden nasıl öğrenilir?
Moleküller, yol ağları, arkadaşlık ağları: veri satır ve piksel değil, düğümler ve bağlantılar olduğunda ne olur? Graf sinir ağlarının mesaj aktarımını sekiz kişilik bir ağda adım adım çalıştır.
Yapay zekâ videoyu nasıl üretir?
Bir video, birbirine bağlı onlarca kare demektir. Üretim neden bu kadar pahalı, zamansal tutarlılık nedir, difüzyon ve Transformer fikirleri videoya nasıl taşındı ve çıktıya ne kadar güvenilmeli?
Bir yapay zekânın içine bakmak mümkün mü?
Yorumlanabilirlik: bir modelin neden o çıktıyı verdiğini anlamaya çalışmak. Nöron kapatma deneyi, polisemantiklik ve süperpozisyon, açıklama gibi görünen ama açıklama olmayan şeyler.
Türkçe, yapay zekâ için neden zor ve pahalı?
Eklemeli bir dil olan Türkçe, tokenizasyondan maliyete kadar dil modellerinde farklı bir deneyim yaratır. Ek zincirleri, UTF-8 baytları, token farkları ve bunun pratik sonuçları.
Tamamlayıcı yapı taşları
Optimizasyon, evrişim, ağaçlar, kümeleme ve Bayes kuralı
Gradyan inişi nasıl akıllanır: momentum ve Adam
Düz gradyan inişi dar bir vadide neden yavaşlar? Momentum ve Adam bunu nasıl değiştirir, hangi koşulda işe yarar ve neden bir yöntem her yerde kazanmaz? Üç yöntemi aynı vadide yarıştır.
Evrişimli ağlar: görüntüde küçük bir pencere
Bir görüntüdeki her pikseli ayrı ayrı bağlamak neden israftır? Evrişim, aynı küçük çekirdeği her konumda kullanır: ağırlık paylaşımı, kenar bulma, havuzlama ve katmanların birikimi.
Tablo verisinde ağaçlar neden hâlâ güçlü?
Karar ağacı, bir dizi evet–hayır sorusudur. Derinleştikçe ezberler; torbalama ve gradyan artırma bunu nasıl düzeltir? Tablo verisinde ağaç tabanlı yöntemlerin sinir ağlarını neden zorladığına dair bir araştırma.
Etiketsiz veride yapı bulmak: kümeleme ve PCA
Elinde etiket yokken veriden ne çıkar? k-means ile benzer noktaları grupla, PCA ile iki boyutlu bir bulutun en önemli yönünü bul. Her iki yöntemin de neyi bildiğini ve neyi bilmediğini iki deneyle gör.
Kanıt inancı nasıl günceller? Bayes kuralı ve naive Bayes
Bir ileti spam mı? Önsel inanç, kanıt ve sonsal inanç; odds biçiminde kanıtın çarpan olarak nasıl biriktiği, naive Bayes’in bağımsızlık varsayımının nerede aşırı emin olduğu.